Uso de modelos lineales mixtos para la estimación del tiempo de vida útil de un
medicamento
Use of Linear mixed models for estimation to drug shelf-life
RESUMEN
Antecedentes: el campo de la confiabilidad estadística ha realizado importantes avances en
el modelamiento de los datos obtenidos en estudios de estabilidad para diferentes equipos y
productos, por ejemplo electrodomésticos, componentes de vehículos, circuitos eléctricos
entre otros, sin embargo, su permeación en el área farmacéutica no se ha visto promovida
aun considerando la complejidad de los ensayos de estabilidad y el impacto económico y
social de la definición de la vida útil de un medicamento; adicionalmente, se ha identificado
que debido a los procesos de fabricación por lotes de los medicamentos, el efecto de la
variación asociada a ellos debe ser considerada a la hora de realizar el análisis estadístico de
los datos de estabilidad. Objetivos: en este trabajo se buscó mostrar la conveniencia de
utilizar un nuevo método de análisis de la información derivada de un estudio de estabilidad
acelerado. Métodos: la simulación estadística se utilizó para comparar dos estimadores de
vida útil propuestos basados en el modelo lineal mixto vs uno existente fundamentado en el
modelo de regresión lineal simple según la metodología colombiana; se contempló el efecto
que podría tener la variabilidad inherente al proceso de fabricación de un medicamento,
considerando la variabilidad entre lote e intra lote, además, se utilizaron diferentes niveles de
los factores que el investigador puede controlar en el estudio de estabilidad, como lo son el
número de lotes, el número de tiempos de observación y el número de muestras por lote y
por tiempo. Resultados: se determinó que los dos estimadores propuestos permiten obtener
estimaciones mucho menos sesgadas que las encontradas mediante el estimador clásico, así
mismo, se presentó el comportamiento de las estimaciones en función de los componentes
de varianza intrínsecos del estudio y la afectación de los factores experimentales del mismo.
Conclusiones: las estimaciones realizadas mediante modelos lineales mixtos presentan una
exactitud mayor frente a las realizadas de manera tradicional, esta disminución en el sesgo
podría mejorar la productividad de las empresas farmacéuticas sin comprometer la salud
pública.
Palabras clave: Vida útil, estabilidad, modelos lineales mixtos, medicamentos.
ABSTRACT
Background: statistical reliability has made significant advances in the modeling of data
from stability studies for different equipment and products, including home appliances,
components car, electrical circuits and others, however, its permeation into pharmaceutical
area has not been promoted even considering the complexity of the stability tests and
economic and social impact of the definition of the drug shelf-life; additionally, it has been
found that due to manufacturing processes batch drugs, variation effect associated to them
should be considered when performing the statistical analysis of stability data. Objectives:
this study aimed to show the convenience of using a new analysis method of the information
derived from an accelerated stability test. Methods: statistical simulation was used to
compare two proposed shelf-life estimators based on linear mixed model versus existing one
based on simple linear regression model according to Colombian methodology; the effect it
could have the inherent variability in the manufacturing process of a drug was contemplated,
considering variability between and intra batch, also, different levels of the factors that the
researcher can control in the stability test were used, number of lots, number of times
observation and number of samples per batch and time. Results: it was determined that the
two proposed estimators provide estimates with lesser degrees of bias than those found by
the classical estimator, likewise, the behavior of the estimates based on the variance
components intrinsic of the study and the effect of experimental factors thereof were
presented. Conclusions: the estimates made using linear mixed models have greater accuracy
against those made in the traditional manner, this decrease in bias could improve the
productivity of pharmaceutical companies without compromising public health.
Keywords: Shelf-life, stability, linear mixed models, drugs.
INTRODUCCIÓN:
Definición de vida útil y estudios de estabilidad acelerados
La vida útil de un producto farmacéutico es una variable aleatoria que no puede ser
determinada exactamente dado que un producto es elaborado una y otra vez y en el proceso
de manufactura intervienen diversos factores que no se controlan plenamente (personal,
materias primas, máquinas). Variaciones aleatorias ligadas a estos eventos hacen que cada
vez que se determine la vida útil de un medicamento, representado como un lote del mismo,
se obtenga la estimación de una vida útil diferente [1].
Se define la vida útil de un medicamento como el tiempo al cual la valoración del principio
activo alcanza un valor prefijado de la misma [2]. Se asume que la disminución de principio
activo en el medicamento es descrita por el modelo lineal simple:
𝑦𝑗 = 𝛽0 + 𝛽1𝑡𝑗 + 𝑒𝑗 ,
donde 𝑦𝑗 es el porcentaje de valoración al tiempo 𝑡𝑗, 𝛽0 y 𝛽1 son parámetros desconocidos,
los tiempos 𝑡𝑗 son puntos del tiempo donde se selecciona el producto para su análisis, 𝑒𝑗 es
la medida del error asociada a cada tiempo y éste es independiente e idénticamente
distribuido 𝑁(0, 𝜎𝑒2). Bajo este modelo, la media de la valoración para un tiempo 𝑡 es 𝛽0 +
𝛽1𝑡. Si se asume que la concentración del principio activo disminuye con el tiempo, entonces
el signo de 𝛽1 será negativo y el producto expirará cuando la media de la valoración sea
inferior al valor prefijado de la especificación 𝜂. Se tendrá que la verdadera vida útil,
denotada por 𝜃, es la solución de:
𝜂 = 𝛽0 + 𝛽1𝑡
por lo tanto, tenemos
𝜃 = 𝑡 =𝜂 − 𝛽0
𝛽1
donde, 𝛽0 y 𝛽1 son el intercepto y la pendiente de la recta de degradación respectivamente;
el intercepto refleja el valor medio de la valoración del principio activo al tiempo cero (𝑡 =
0) y la pendiente indica la velocidad con la cual la concentración del principio activo cambia
con el tiempo. Un estimador del tiempo de vida útil real 𝜃 basado en los datos (𝑦𝑗 , 𝑡𝑗) será 𝜃,
el cual se desea que sea menor o igual que 𝜃, éste es entonces un estimador conservativo.
Una de las formas de obtener una estimación de la vida útil de un producto farmacéutico es
a través de un estudio de estabilidad acelerado, el cual constituye un conjunto de
procedimientos experimentales llevados a cabo de forma que en poco tiempo (6 meses) se
genere información suficiente para que mediante un análisis estadístico apropiado se estime
la fecha de vencimiento del medicamento [3]. La normativa colombiana que suministra
indicaciones para la realización de este tipo de ensayos recurre al ajuste de los datos mediante
un modelo de regresión lineal simple, método que asume que el efecto asociado a los lotes
del medicamento es de efectos fijos, cometiendo así un error en el tratamiento de los datos
del estudio, y más aún, considerando que bajo este método se descarta los datos de los lotes
que no son considerados iguales [4].
Estimación utilizando modelo lineal de efectos fijos
El proceso de análisis presentado por la guía colombiana, denominado aquí como el método
tradicional, establece que los datos de todos lotes utilizados en el estudio son insumo para
realizar el análisis de covarianza (ANCOVA) y determinar si éstos provienen de una misma
población; después, se realiza el ajuste del modelo de regresión lineal simple y se estiman
los parámetros 𝛽0 𝑦 𝛽1 mediante mínimos cuadrados ordinarios obtenido los respectivos
estimadores �̂�0 𝑦 �̂�1. Ante la necesidad de un estimador conservativo, se construye un límite
de confianza inferior del (1 − 𝛼)100% de la forma 𝐿𝐶𝐼𝑦𝑡= �̂�𝑦𝑡
− 𝑡𝛼,𝑛−2 ∗ 𝑆𝐸(�̂�𝑦𝑡), donde,
�̂�𝑦𝑡= �̂�0 + �̂�1𝑡 es la respuesta media estimada en cada tiempo 𝑡, 𝑡𝛼,𝑛−2 es el percentil de la
distribución 𝑡 − 𝑠𝑡𝑢𝑑𝑒𝑛𝑡 con 𝑛 − 2 grados de libertad que deja a su derecha un área 𝛼 =
0.05 y 𝑆𝐸(�̂�𝑦𝑡) es el estimador del error estándar de �̂�𝑦𝑡
. Con los límites estimados se
determina cuál es el valor del tiempo asociado al punto donde dicho límite 𝐿𝐶𝐼𝑦𝑡, cruza la
especificación inferior de calidad del producto, cuyo valor para la mayoría de los
medicamentos es de 90% en la valoración del principio activo; de esta manera, se busca
encontrar el estimador del tiempo de vida útil 𝜃, es decir 𝜃 = {𝑡: 𝐿𝐶𝐼𝑦𝑡= 𝜂}, con 𝜂 =
nivel crítico prefijado. Por tanto,
𝜃 =𝜂 − �̂�0 + 𝑡𝛼,𝑛−2 ∗ 𝑆𝐸(�̂�𝑦𝑡
)
�̂�1
,
donde, 𝜃 > 0, �̂�1 < 0 y por tanto �̂�0 − 𝑡𝛼,𝑛−2 ∗ 𝑆𝐸(�̂�𝑦𝑡) ≥ 𝜂.
El valor estimado 𝑇𝐴 = 𝜃 es la estimación del tiempo de vida útil del producto farmacéutico
sometido al estudio de estabilidad acelerado, que deberá transformarse a la escala de
condiciones naturales mediante el uso del factor 𝑄10, que fue introducido para realizar una
rápida estimación de la vida útil de medicamentos almacenados en temperaturas con
diferencia de 10°C entre ellas. El factor 𝑄10 es definido como “la tasa de aumento constante
cuando la temperatura se incrementa en 10°C” [5] y permite estimar el tiempo de vida útil en
condiciones naturales, 𝑇𝑁, a partir de la siguiente ecuación,
𝑇𝑁 = 𝑇𝐴 ∗ 𝑄10,
donde 𝑄10 = 𝐾40 𝐾30⁄ , siendo 𝐾30 y 𝐾40 la velocidad de degradación a 30°C y 40°C
respectivamente.
Estimación mediante modelo lineal de efectos mixtos
En este trabajo se propone el uso de modelos lineales de efectos mixtos para el análisis de
los datos, esperando mejorar la exactitud en la estimación de la vida útil, dado que estos
modelos permiten considerar el efecto aleatorio entre lote e intra lote. El fundamento de los
modelos lineales de efectos mixtos subyace en que algún conjunto de parámetros de regresión
varía aleatoriamente de un individuo a otro. Estos modelos se caracterizan porque las
singularidades de la población son modeladas de manera combinada mediante la respuesta
media, tales características se asume que son compartidas por todos los individuos de dicha
población y estos son efectos fijos; existen además efectos que son particulares para cada
individuo, los cuales son denominados efectos aleatorios; un modelo que incorpora los dos
tipos de efectos, es denominado de efectos mixtos [6]. Éste tipo de modelos han sido
trabajados en el campo de la confiabilidad y se han aplicado en el modelamiento y análisis
de ensayos de degradación acelerada de productos eléctricos y electrónicos, Escobar y
Meeker [7] ejemplifican en varios de sus trabajos el tratamiento analítico de la información
de éste tipo; además, mencionan la posibilidad de ser utilizados en campos como la farmacia
y los alimentos.
En el modelo lineal mixto 𝑌𝑖𝑗𝑡, el porcentaje de valoración para la 𝑗 − é𝑠𝑖𝑚𝑎 muestra del 𝑖 −
é𝑠𝑖𝑚𝑜 lote de un producto en estudio a un tiempo de observación 𝑡, se puede definir así:
𝑌𝑖𝑗𝑡 = 𝛽0𝑖 + 𝛽1𝑡 + 𝜀𝑖𝑗𝑡, 𝑖 = 1, … 𝐿; 𝑗 = 1, … 𝑀
donde; 𝛽0𝑖 es el intercepto aleatorio o el efecto aleatorio que varía entre individuos y
representa la variabilidad entre lotes y se asume que 𝛽0𝑖 ∼ 𝑁(𝑏0, 𝜎𝐿2), la variabilidad intra
lote o entre muestra es condensada en el término de error 𝜀𝑖𝑗𝑡, el cual se asume es una variable
aleatoria 𝑁(0, 𝜎𝑀2 ). La tasa de degradación representada por la pendiente 𝛽1, es un valor
constante ya que ésta sólo depende de la temperatura a la cual se realiza la prueba. Además,
se asume que 𝛽0𝑖 y 𝜀𝑖𝑗𝑡 son independientes. Se puede observar que el comportamiento
aleatorio de 𝛽0𝑖 permite considerar la variabilidad asociada al proceso de fabricación de los
lotes independientes. Entonces, en contraste con el método de análisis tradicional, en el cual
subyace un tratamiento de los efectos fijos, la propuesta aquí realizada no contempla pruebas
para determinar igualdad de los lotes, sino que considera que todos los datos son valiosos y
aportan información importante al estudio de estabilidad la cual puede modelarse utilizando
el método propuesto.
En este trabajo, se busca presentar las diferencias existentes entre la estimación conseguida
aplicando el método tradicional y el método propuesto, de esta manera se propone el uso de
dos nuevos estimadores 𝜃1 𝑦 𝜃2.
Considerando la aleatoriedad, para cada lote habría una ruta de degradación diferente y se
tendrá,
𝑇𝑖 =𝜂−𝛽0𝑖
𝛽1, Ecuación 1
el tiempo de vida útil para el 𝑖 − é𝑠𝑖𝑚𝑜 lote que sería una variable aleatoria (v.a.) en la
población de lotes. Por lo tanto, definimos como la vida útil a 𝜃 = (𝜂 − 𝑏0) 𝛽1,⁄ la cual
pudiera estimarse a través de una muestra aleatoria (m.a.) de los 𝑇𝑖 de tamaño 𝑁, 𝜃1 =
1
𝑁∑ 𝑇𝑖
𝑁𝑖=1 , sin embargo los 𝑇𝑖 no son observables y 𝛽1 tampoco es conocido. Como en la
práctica sólo se tiene un conjunto de datos experimentales a partir de los cuales se estima al
vector de parámetros Ω = (𝑏0, 𝜎𝐿2, 𝛽1, 𝜎𝑀
2 ), es decir se obtiene a Ω̂ = (�̂�0, �̂�𝐿2, �̂�1, �̂�𝑀
2 ), se
propone entonces el siguiente procedimiento para construir 𝜃1:
Los componentes del vector Ω̂ son determinados por el método de Máxima Verosimilitud
haciendo uso de la función lme implementada en R por Pinheiro y Bates y referenciada en
[8]. Luego, se obtienen pseudo tiempos de vida útil �̃�𝑖 así:
1. Se generan 𝑁 = 100000 observaciones denotadas 𝛽0𝑖 de una 𝑁(�̂�0, �̂�𝐿2) con 𝑖 =
1, … , 𝑁; estas realizaciones harán alusión a la disposición de 𝑁 lotes del producto.
2. Se calculan los 𝑁 pseudo tiempos de vida útil �̃�𝑖, correspondientes a las realizaciones
de 𝛽0𝑖, sustituyendo estos valores en la Ecuación 1, donde �̂�1 es fijo para todos los
valores usados de 𝛽0𝑖.
3. Se calcula la media de los pseudo tiempos de vida útil la cual se tomará como 𝜃1.
Adicional al estimador anterior 𝜃1 y teniendo en cuenta las ideas y necesidades de la industria
farmacéutica, se propone un segundo estimador 𝜃2, el cual resulte conservativo y brinde una
estimación con sesgo negativo del tiempo de vida útil. De 𝜃2 se espera que el sesgo sea menor
al generado cuando la estimación se realiza aplicando el método tradicional. El estimador
conservativo será un cuantil muestral de orden 𝛼 = 0.05 calculado a partir de una m.a. de
tamaño 𝑁 de los 𝑇𝑖 arriba definidos; pero dado que los 𝑇𝑖 no son diferentes, se sigue el mismo
proceso de simulación y estimación, simplemente será calculado en el paso número 3 como
el cuantil 5% para los pseudo tiempos de vida útil �̃�𝑖.
Finalmente, el proceso de ajuste del modelo lineal de efectos mixtos y la simulación de los
pseudo tiempos de vida útil �̃�𝑖 permite obtener una estimación de la vida útil del medicamento
bajo condiciones aceleradas 𝜃1 ó 𝜃2, y al igual que en el método de análisis tradicional se
debe realizar la transformación de escala para obtener el tiempo de vida útil en condiciones
naturales, este proceso desde el campo de la confiabilidad de realiza aplicando la teoría del
factor de aceleración de Arrhenius [7, 9]:
𝐴𝐹(𝑡𝑒𝑚𝑝𝐴) = 𝑒𝑥𝑝 [𝐸𝑎
𝑅∗ (
1
𝑡𝑒𝑚𝑝𝑁−
1
𝑡𝑒𝑚𝑝𝐴))],
donde, 𝐴𝐹(𝑡𝑒𝑚𝑝𝐴) es el factor de aceleración, que depende de la energía de activación 𝐸𝑎, de
la constante de los gases ideales 𝑅 y de la temperatura del estudio acelerado y natural 𝑡𝑒𝑚𝑝𝐴
y 𝑡𝑒𝑚𝑝𝑁 respectivamente. El factor de aceleración de Arrhenius es una constante que permite
aplicar un modelo de escala acelerada para el tiempo de falla (SAFT) y así realizar un
escalamiento del eje del tiempo y por tanto la degradación de una unidad a una temperatura
dada, para determinar la degradación que la misma unidad podría tener a una temperatura
diferente [10].
Puede apreciarse que el factor de aceleración descrito en el campo de la confiabilidad es
análogo al factor 𝑄10 propuesto desde la cinética química. Así pues, se tiene que el tiempo
de vida útil del producto en condiciones aceleradas será 𝑇(𝑡𝑒𝑚𝑝𝐴) = 𝜃1 ó 𝜃2 según sea el
caso y la trasformación de escala se realiza mediante la expresión:
𝑇(𝑡𝑒𝑚𝑝𝑁) = 𝑇(𝑡𝑒𝑚𝑝𝐴) ∗ 𝐴𝐹(𝑡𝑒𝑚𝑝𝐴)
donde, 𝑇(𝑡𝑒𝑚𝑝𝑁) es la vida útil en condiciones naturales estimado a partir de un estudio de
estabilidad acelerado utilizando la metodología de análisis propuesto, que se va a contrastar
con el tiempo de vida natural estimado mediante el método tradicional 𝑇𝑁.
MÉTODOS
Los datos derivados del estudio de estabilidad son afectados por la manera como ellos son
obtenidos, esto es definido en el diseño experimental del estudio. Es posible establecer que
los factores que son controlables por el investigador y que influyen en la estimación del
tiempo de vida útil son tres: el número de lotes del producto, el número de muestras por lote
para cada tiempo y el número de tiempos de observación; el impacto de éstos asociado al
método de estimación fue estudiado en este trabajo; dadas las limitaciones prácticas, se
realizó un estudio de simulación usando el software estadístico R [11], con el cual se
obtuvieron datos análogos a los generados en un estudio real de estabilidad acelerado y así
se ajustó los modelos y se estimó la vida útil.
Contemplando las posibilidades reales de un estudio de estabilidad, se establecieron los
siguientes niveles de los factores tal como se muestra en la Tabla 1
Tabla 1 Factores a considerar en el diseño experimental
Factor Niveles
Número de lotes 2, 3, 4 y 5
Número de muestras por lote y por tiempo 3, 4 y 5
Número de tiempos de observación
(semanas)
0, 4, 8, 12, 16, 20 y 24
0, 12 y 24
0, 20 y 24
0 y 24
Para cada una de las posibles 48 combinaciones experimentales diferentes se tiene en cuenta
el componente de variabilidad asociado a la aleatoriedad de los lotes y de las muestras, tal
componente se estudió contemplando algunos escenarios de variabilidad entre lotes: nula,
baja y alta, a su vez combinada con algunos niveles de variabilidad entre muestras. Así
también, considerando datos recopilados de diferentes estudios de estabilidad realizados en
el GEMCA, para este estudio se estableció que la velocidad de degradación del producto
sometido al almacenamiento acelerado a 40°C conlleva una disminución de 0.38% en la
valoración del principio activo por cada semana que el producto está en la cámara de
simulación.
Considerando lo antes expuesto, se realizó el proceso de simulación de los datos de
estabilidad para 288 condiciones específicas, cada una de las cuales permitió la estimación
de la vida útil del producto mediante los tres estimadores estudiados. Para obtener resultados
numéricamente consistentes y estadísticamente representativos, dicho proceso se realizó 10
mil veces para cada escenario, garantizando así la disposición de suficientes estimaciones
para describir adecuadamente la bondad de elegir un diseño experimental u otro según las
características de varianza específicas.
RESULTADOS
Como se definió previamente, la vida útil real es 𝜃 = (𝜂 − 𝛽0) 𝛽1⁄ , para el caso estudiado,
el nivel de especificación 𝜂 = 90%, el valor inicial del porcentaje de valoración 𝛽0 =
100% y la velocidad de degradación a 30°C, 𝛽1 = −0.086%/𝑠𝑒𝑚𝑎𝑛𝑎; se tiene que 𝜃 =
116.28 𝑠𝑒𝑚𝑎𝑛𝑎𝑠; éste es el valor de referencia frente al cual se realizaron los análisis de
sesgo.
Los resultados han sido expresados de manera gráfica buscando obtener una apreciación
rápida de las diferencias entre los estimadores y los escenarios. En las Figuras 1 y 2 se
esquematizan los sesgos para el estimador 𝜃1 𝑦 𝜃2 respectivamente, en ellas se observan 6
gráficas, cada una representa un caso de combinación de varianza intra y entre lote; sobre el
eje x, “Diseño experimental” se aprecian 4 secciones verticales identificadas con diferentes
tonos de color gris; estos espacios representan cada una de las 4 propuestas de tiempos de
observación y corresponden de izquierda a derecha a: 0, 4, 8, 12, 16, 20, 24 semanas; 0, 12,
24 semanas; 0, 20, 24 semanas y 0, 24 semanas de respectivamente. Así mismo, haciendo
uso de colores (rojo, naranja, azul, verde) se muestran los 4 tamaños de lote utilizados (2, 3,
4, 5 respectivamente) y con diferentes tipos de símbolos (cuadro, circulo, triángulo) los 3
tamaños de muestra (3, 4, 5 respectivamente). Para la adecuada interpretación del gráfico,
los datos en cada franja vertical se encuentran ordenados de menor a mayor, de izquierda a
derecha; es decir, el primer marcador indica el tamaño de lote y de muestra más pequeño (2
lotes, 3 muestras) y el último, el tamaño de lote y de muestra más grande (5 lotes, 5 muestras).
Los símbolos que tienen sombra color blanco representan las estimaciones realizadas
mediante el método tradicional y aquellos símbolos que no tienen sombra, indican las
estimaciones realizadas con el método propuesto. Los casos del diseño experimental
evaluados se relacionan en el apéndice.
DISCUSIÓN
Las Figuras 1 y 2 muestran las diferencias existentes entre los distintos diseños
experimentales y los métodos de análisis utilizados. Cada símbolo se encuentra asociado a la
media de las 10 mil simulaciones realizadas en cada caso.
La primera observación que puede apreciarse para el estimador 𝜃1 (Figura 1), es que en todos
los escenarios, el sesgo entre la media de las simulaciones realizadas mediante el método
propuesto es mucho menor que la misma estimada a través del análisis desarrollado según el
método tradicional; también se ve que dicho sesgo para el análisis propuesto, no es afectado
de manera perceptible por el cambio en los diseños experimentales y que cualquiera de estos
que se escoja para describir el comportamiento de la vida útil en un producto farmacéutico
conducirá a una buena estimación. Los resultados obtenidos con el método de análisis
tradicional, evidencian un fuerte sesgo negativo que tiende a aumentar en mayor o menor
medida, dependiendo de las circunstancias experimentales que originaron los datos. Un
resultado lógico, evidencia que el sesgo es más amplio para el caso donde tanto la varianza
entre lote como entre muestra es mayor (𝜎𝐿2 = 1.96, 𝜎𝑀
2 = 6.76 ), con valores de entre 20 y
39 semanas de vida útil. El caso opuesto ocurre cuando son menores (𝜎𝐿2 = 0, 𝜎𝑀
2 = 3.35),
con sesgos de entre 8 y 19 semanas.
En relación al efecto del número de muestras, en todas las gráficas se observa que el sesgo
disminuye cuando el número de muestras aumenta. En cuanto al efecto del número de lotes,
existe diferencia entre los escenarios donde la varianza entre lote es cero y los modelos donde
ésta está presente; cuando se considera que la producción de lotes es homogénea (𝜎𝐿2 = 0),
se observa que los puntos agrupados por color, tienden a acercarse hacia un sesgo nulo
cuando la cantidad de lotes aumenta, es decir, utilizando un mayor número de lotes, la
diferencia entre el tiempo de vida útil estimado y el verdadero se hace menor; algo que se
asocia a la disposición de una mayor cantidad de información; sin embargo, para los 4 casos
restantes, donde se considera que los lotes varían aleatoriamente, el fenómeno es contrario
haciendo que el sesgo aumente mientras el número de lotes utilizados en el estudio crece.
Estos resultados de cierto modo contra intuitivos, evidencian que el método tradicional
sugerido por las guías de estabilidad no es capaz de tratar adecuadamente con la información
que el estudio puede suministrar.
Frente al comportamiento de las estimaciones con el método tradicional según sea la
frecuencia de observación, se puede decir de manera general, que para todos los casos de
varianza existe cierta similitud entre las observaciones que se realizan a 0, 12, 24 semanas y
a 0, 20, 24 semanas (diseños experimentales del 13 al 24 y del 25 al 36), el sesgo en la
estimación varía en aproximadamente el mismo rango, tendiendo a aumentar dicha
semejanza entre mayor sean los componentes de varianza; este comportamiento puede ser
explicado debido a que el número de observaciones en los dos casos es el mismo, la diferencia
entre ellos es la distribución de éstos en el estudio. Aunque en cierto modo, de forma sutil, el
realizar las observaciones a las 0, 20, 24 semanas puede hacer que el sesgo sea menor, por
ejemplo, el sesgo para el caso de varianzas 𝜎𝐿2 = 0, 𝜎𝑀
2 = 3.35 en el diseño experimental 24
y 36, donde el número de lotes y de muestras es el mismo, es de -11.6 y -9.7 semanas
respectivamente y para el caso de varianzas 𝜎𝐿2 = 1.96, 𝜎𝑀
2 = 3.35 observando los diseños
16 y 28 igualmente con el mismo número de lotes y muestras, el sesgo es -26.4 y -24.9
semanas.
Ahora, si se comparan los diseños que se realizan con tiempos de observación 0, 4, 8, 12, 20,
24 versus 0, 24 semanas (diseños experimentales del 1 al 12 y del 37 al 48) también para el
método tradicional, claramente hay un efecto desfavorable asociado a la reducción del
número de tiempos de observación, considere por ejemplo el caso de varianzas 𝜎𝐿2 = 0, 𝜎𝑀
2 =
6.76, con los diseños número 2 y 38, el valor del sesgo es -14.8 y -22.7 semanas
respectivamente, esto deja ver que con el método tradicional se requiere una frecuencia de
observación muy alta para obtener un sesgo relativamente bajo; tal efecto no se observa con
el método propuesto donde el valor del sesgo para los mismos casos anteriores es de 0.9 y
1.2 semanas.
Contemplando ahora los resultados obtenidos con el estimador conservativo 𝜃2, en la Figura
2 se observa que para los casos donde 𝜎𝐿2 es 0 y 0.58 las estimaciones son mejores con el
método propuesto que con el tradicional, haciendo referencia a que las primeras presentan
menos sesgo frente a la vida útil real; para 𝜎𝐿2 = 1.96, el método propuesto es mejor pero no
en todos los diseños experimentales. Los casos donde el componente de varianza 𝜎𝐿2 es cero,
tienen un comportamiento muy similar a cuando se usó el estimador 𝜃1, las estimaciones con
la metodología propuesta son muy cercanas a la vida ´útil real; aunque ahora, con el
estimador 𝜃2 la varianza entre muestras 𝜎𝑀2 parece tener un efecto negativo, aumentando el
sesgo en los diseños experimentales donde la frecuencia de observación es más baja (diseños
37-48).
Un resultado importante que se observa nuevamente tanto en el método propuesto como en
el tradicional, para los casos donde existe un componente de varianza asociado a los lotes, es
que aumentar el número de lotes no implica una mejora en la exactitud de las estimaciones,
pues se puede observar que partiendo de los diseños con dos lotes (símbolos color rojo) y
desplazándose a hacia la derecha de las gráficas, en donde el número de lotes usados en el
estudio aumenta, se presenta una tendencia a aumentar el sesgo. Sin embargo, recomendar el
uso del estimador 𝜃2, que está basado en la idea de un estimador conservativo puede mejorar
significativamente la estimación de la vida útil en los casos donde el componente de varianza
𝜎𝐿2 es moderado o bajo, situación que es lógica en el contexto farmacéutico donde los
procesos requieren un estricto control.
Analizando el comportamiento del sesgo de las estimaciones realizadas con el método
tradicional, es común observar que éste tiende a ser mayor cuando se aumenta el número de
lotes utilizados en el estudio, exceptuando la estimación de la media cuando el componente
de varianza entre lotes es nulo. Tal comportamiento es contra intuitivo pues se esperaría que
al aumentar el número de observaciones, la estimación sería mejor y por tanto el sesgo entre
ésta y el valor real debería disminuir, dicho comportamiento sí es observado en las
estimaciones realizadas aplicando el método propuesto. Una posible explicación de este
fenómeno puede estar enmarcada en el proceso mismo llevado a cabo para realizar la
estimación de la vida útil a través del método tradicional, pues como se explicó previamente,
ante la presencia de diferencia significativa entre los lotes, el procedimiento indica que se
debe utilizar la menor estimación del intercepto o la mayor de las pendientes según sea el
caso; si se considera entonces los casos donde el componente de varianza 𝜎𝐿2 > 0, la
probabilidad de rechazar la hipótesis de igualdad en las rectas es mayor y esto ligado al
aumento en el número de lotes, puede causar que el “peor lote” tienda cada vez más a
conducir a estimaciones más alejadas de la vida útil real.
CONCLUSIONES
Según los escenarios aquí evaluados, la estimación de la vida útil de los medicamentos según
se viene realizando con el método tradicional tiene varios puntos que pueden mejorarse, tales
falencias se evidencian aún en casos donde la varianza entre lotes se considera nula. Es por
tanto posible la implementación de un modelo lineal de efectos mixtos para el ajuste y
estimación de la vida útil de los productos farmacéuticos, este modelo permite incorporar las
diferentes fuentes de variabilidad ligadas a los procesos de producción y a la vez posibilita
explorar nuevas alternativas para obtener mejores estimaciones de la fecha de vencimiento
de los medicamentos; asociado a esto, una disminución en el sesgo de la estimación implica
mayor exactitud en el proceso de establecer la fecha de vencimiento de los medicamentos y
por tanto aún brinda seguridad para los usuarios y disminuye los gastos innecesarios para los
fabricantes ocasionados por el descarte demasiado temprano del medicamento.
Es importante resaltar que la validez de las observaciones realizadas aquí, están
fundamentadas en un comportamiento definido para la degradación del principio activo y en
un valor también determinado para el nivel de degradación máximo o criterio de falla. Para
comportamientos diferentes, es recomendable estudiar si los métodos son tan efectivos. Se
abre la posibilidad entonces, de buscar y diseñar nuevos estimadores que sean conservadores
sin que esto signifique desmejorar la calidad de las estimaciones o descartar información útil
obtenida en un estudio de estabilidad.
REFERENCIAS BIBLIOGRÁFICAS
[1] Capen R., Chistopher D., Forenzo P., Irelad C., Luiu O., Lyapustina S., O’Neill J.,
Patterson N., Quinlan M., Sandell D., Schwenke J., Stroup W., Tougas T. On the shelf
life of pharmaceutical products. American Association of Pharmaceutical Scientist.
2012, 13(3):911-918
[2] Chow S-C. Statistical Design and Analysis of Stability Studies. New York: Chapman
and Hall CRC; 2007. 132 p.
[3] International Conference on Harmonization. Stability testing of new drug substances
and products Q1A(R2), 2003.
[4] República de Colombia – INVIMA. Guía para el desarrollo de estudios de estabilidad.
2006
[5] Loftsson T. Drug Stability for Pharmaceutical Scientists. Oxford: Academic Press,
Elsevier; 2014. 35 p.
[6] Fitzmaurice G., Laird N., Ware J. Applied longitudinal analysis. New Jersey: Wiley
& Sons; 2004. 187 p.
[7] Escobar L., Meeker W. A Review of Accelerated Test Models. Statistical Science.
2006, 21(4): 552-577.
[8] Yañez S., Granada R., Jaramillo M. Modelos y análisis para datos de degradación.
Revista Colombiana de Estadística. 2003, 25(1): 41-59.
[9] Meeker W., Escobar L. Statistical methods for reliability data. New York: Wiley;
1998. 472 p
[10] Meeker W., Escobar L., Lu J. Accelerated Tests: Modeling Degradation and Analysis.
Technometrics. 1998, 40(2): 89-99.
[11] R Core Team (2013). R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria.
Apéndice:
Tabla de los casos del diseño experimental evaluados y representados en las figuras 1 y 2.
Diseño Exp # lotes # muestras Tiempos de observación
1 2 3 0, 4, 8, 12, 16, 20, 24
2 2 4 0, 4, 8, 12, 16, 20, 24
3 2 5 0, 4, 8, 12, 16, 20, 24
4 3 3 0, 4, 8, 12, 16, 20, 24
5 3 4 0, 4, 8, 12, 16, 20, 24
6 3 5 0, 4, 8, 12, 16, 20, 24
7 4 3 0, 4, 8, 12, 16, 20, 24
8 4 4 0, 4, 8, 12, 16, 20, 24
9 4 5 0, 4, 8, 12, 16, 20, 24
10 5 3 0, 4, 8, 12, 16, 20, 24
11 5 4 0, 4, 8, 12, 16, 20, 24
12 5 5 0, 4, 8, 12, 16, 20, 24
Diseño Exp # lotes # muestras Tiempos de observación
13 2 3 0, 12, 24
14 2 4 0, 12, 24
15 2 5 0, 12, 24
16 3 3 0, 12, 24
17 3 4 0, 12, 24
18 3 5 0, 12, 24
19 4 3 0, 12, 24
20 4 4 0, 12, 24
21 4 5 0, 12, 24
22 5 3 0, 12, 24
23 5 4 0, 12, 24
24 5 5 0, 12, 24
Diseño Exp # lotes # muestras Tiempos de observación
25 2 3 0, 20, 24
26 2 4 0, 20, 24
27 2 5 0, 20, 24
28 3 3 0, 20, 24
29 3 4 0, 20, 24
30 3 5 0, 20, 24
31 4 3 0, 20, 24
32 4 4 0, 20, 24
33 4 5 0, 20, 24
34 5 3 0, 20, 24
35 5 4 0, 20, 24
36 5 5 0, 20, 24
Diseño Exp # lotes # muestras Tiempos de observación
37 2 3 0, 24
38 2 4 0, 24
39 2 5 0, 24
40 3 3 0, 24
41 3 4 0, 24
42 3 5 0, 24
43 4 3 0, 24
44 4 4 0, 24
45 4 5 0, 24
46 5 3 0, 24
47 5 4 0, 24
48 5 5 0, 24
Figura 1: Sesgo media vida útil estimador 𝜃1 - vida útil real
Figura 2: Sesgo media vida útil estimador 𝜃2 - vida útil real